1.nn.BatchNorm1d(num_features)

    1.对小批量(mini-batch)的2d或3d输入进行批标准化(Batch Normalization)操作

    2.num_features：

            来自期望输入的特征数，该期望输入的大小为'batch_size x num_features [x width]'

            意思即输入大小的形状可以是'batch_size x num_features' 和 'batch_size x num_features x width' 都可以。

            （输入输出相同）

            输入Shape：（N, C）或者(N, C, L)

            输出Shape：（N, C）或者（N，C，L）【batch，波段数，时序长度】

      eps：为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。

      momentum：动态均值和动态方差所使用的动量。默认为0.1。

      affine：一个布尔值，当设为true，给该层添加可学习的仿射变换参数。

    3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）

      在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。

      在验证时，训练求得的均值/方差将用于标准化验证数据。 

    4.例子

            >>> # With Learnable Parameters

            >>> m = nn.BatchNorm1d(100) #num_features指的是randn(20, 100)中（N, C）的第二维C

            >>> # Without Learnable Parameters

            >>> m = nn.BatchNorm1d(100, affine=False)

            >>> input = autograd.Variable(torch.randn(20, 100)) #输入Shape：（N, C）

            >>> output = m(input)  #输出Shape：（N, C）

2.nn.BatchNorm2d(num_features)

    1.对小批量(mini-batch)3d数据组成的4d输入进行批标准化(Batch Normalization)操作

    2.num_features： 

            来自期望输入的特征数，该期望输入的大小为'batch_size x num_features x height x width'

            （输入输出相同）

                输入Shape：（N, C，H, W)

                输出Shape：（N, C, H, W） 【batch，波段数，影像高（行），影像宽（列）】

      eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。

      momentum： 动态均值和动态方差所使用的动量。默认为0.1。

      affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。

    3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）

      在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。

      在验证时，训练求得的均值/方差将用于标准化验证数据。

    4.例子

        >>> # With Learnable Parameters

        >>> m = nn.BatchNorm2d(100) #num_features指的是randn(20, 100, 35, 45)中（N, C，H, W)的第二维C

        >>> # Without Learnable Parameters

        >>> m = nn.BatchNorm2d(100, affine=False)

        >>> input = autograd.Variable(torch.randn(20, 100, 35, 45))  #输入Shape：（N, C，H, W)

        >>> output = m(input)

3.nn.BatchNorm3d(num_features)

    1.对小批量(mini-batch)4d数据组成的5d输入进行批标准化(Batch Normalization)操作

    2.num_features： 

            来自期望输入的特征数，该期望输入的大小为'batch_size x num_features depth x height x width'

            （输入输出相同）

             输入Shape：（N, C，D, H, W)

             输出Shape：（N, C, D, H, W） 【batch，波段数，？，影像高（行），影像宽（列）】

      eps： 为保证数值稳定性（分母不能趋近或取0）,给分母加上的值。默认为1e-5。

      momentum： 动态均值和动态方差所使用的动量。默认为0.1。

      affine： 一个布尔值，当设为true，给该层添加可学习的仿射变换参数。

    3.在每一个小批量（mini-batch）数据中，计算输入各个维度的均值和标准差。gamma与beta是可学习的大小为C的参数向量（C为输入大小）

      在训练时，该层计算每次输入的均值与方差，并进行移动平均。移动平均默认的动量值为0.1。

      在验证时，训练求得的均值/方差将用于标准化验证数据。

    4.例子

        >>> # With Learnable Parameters

        >>> m = nn.BatchNorm3d(100)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C

        >>> # Without Learnable Parameters

        >>> m = nn.BatchNorm3d(100, affine=False)  #num_features指的是randn(20, 100, 35, 45, 10)中（N, C, D, H, W）的第二维C

        >>> input = autograd.Variable(torch.randn(20, 100, 35, 45, 10)) #输入Shape：（N, C, D, H, W） 

        >>> output = m(input)

【拓展】

公式与例子：

pytorch中批量归一化BatchNorm1d和BatchNorm2d函数

原理：

pytorch——nn.BatchNorm1d()

【参考】

BatchNorm1d、BatchNorm2d、BatchNorm3d、归一化、激活函数、梯度消失、梯度爆炸

点滴分享，福泽你我！Add oil！